Questo sito contiene link di affiliazione per cui può essere compensato

Home » Hi-Tech » AI - Intelligenza Artificiale » Intelligenza artificiale in Italia: cosa è cambiato dal 2025

Intelligenza artificiale in Italia: cosa è cambiato dal 2025

Le aziende italiane si fidano sempre di più dell’intelligenza artificiale, ma continuano ad avere difficoltà nel controllarne i risultati. E quasi un’organizzazione su tre tra quelle intervistate conserva informazioni in archivi che non comunicano tra loro. Lo rivela uno studio SAS e IDC che confronta la situazione del 2026 con quella dell’anno precedente. Migliorano le procedure di controllo, ma aumentano i problemi nella gestione dei dati e soltanto il 18,7% delle organizzazioni italiane intervistate dichiara di ottenere guadagni elevati rispetto agli investimenti effettuati nell’IA.

Il tema è familiare ai lettori di Macitynet. Nel dicembre 2025 avevamo dedicato un approfondimento al divario tra fiducia e affidabilità dell’intelligenza artificiale nelle organizzazioni italiane. Allora emergeva un risultato significativo: appena il 6% delle realtà analizzate si collocava nella condizione ideale, con un’elevata fiducia nella tecnologia sostenuta da pratiche adeguate a renderla affidabile.

A quasi un anno di distanza, la seconda edizione della ricerca conferma il problema, ma offre anche la possibilità di misurarne l’evoluzione. Nel 2026 la fiducia percepita nell’IA raggiunge in Italia 72,9 punti su 100, mentre il cosiddetto Trustworthiness Index, che valuta le pratiche organizzative necessarie a governarla, si ferma a 58,8 punti.

La differenza, definita Trust Gap, si riduce da 18,4 a 14,1 punti. L’Italia rimane tuttavia il Paese con il divario maggiore tra i principali mercati europei analizzati. Per confronto, la Francia registra 13,1 punti, la Germania 10,4 e il Regno Unito 7,2.

È importante capire cosa misurano questi numeri. Un indice di affidabilità pari a 58,8 non significa che l’intelligenza artificiale fornisca risposte corrette nel 58,8% dei casi. Il punteggio sintetizza la maturità delle procedure adottate dalle organizzazioni: qualità dei dati, controllo dei modelli, spiegabilità dei risultati, politiche di utilizzo responsabile e possibilità di verificare le decisioni.

Il quadro emerge dal Data and AI Impact Report 2026: The New Economics of Trust, pubblicato da SAS sulla base di una ricerca IDC condotta nell’aprile 2026. L’indagine internazionale comprende 2.699 decisori in 28 Paesi, con particolare attenzione a banche, assicurazioni, scienze della vita e pubblica amministrazione. I risultati italiani riguardano il relativo campione nazionale e non rappresentano automaticamente tutte le imprese del Paese.

Dal 2025 al 2026: cosa è migliorato e cosa è peggiorato

Nel precedente articolo avevamo evidenziato come l’adozione dell’IA fosse già piuttosto avanzata in una parte delle organizzazioni italiane. Il 40% delle realtà intervistate dichiarava un’integrazione strutturata della tecnologia nei propri processi, mentre il 41% manteneva un approccio prevalentemente orientato a risultati di breve periodo.

Nel 2025 lo studio descriveva inoltre una situazione relativamente favorevole per l’organizzazione delle informazioni aziendali: il 52% delle realtà italiane dichiarava infrastrutture dati standardizzate e il 27% un livello di gestione più avanzato. Soltanto l’11% indicava un’architettura ancora frammentata in silos.

Il nuovo rilevamento modifica questa prospettiva. Le pratiche di controllo dell’IA migliorano, ma aumentano le organizzazioni che dichiarano difficoltà nell’integrare le proprie basi dati. Anche l’indice dedicato ai risultati ottenuti dagli investimenti registra un progresso contenuto.

Indicatore Italia 2025 2026 Variazione
Trust Gap 18,4 14,1 -4,3 punti
Infrastrutture dati a silos 11% 29% +18 punti percentuali
Impact Index 50,2 51,7 +1,5 punti

 

Fonte: SAS/IDC, rilevamenti 2025 e 2026. Le variazioni confrontano due indagini successive e non dimostrano che le stesse organizzazioni abbiano modificato i propri comportamenti. Alcuni indici del rapporto 2025 erano presentati su una scala da 0 a 5: non vanno convertiti direttamente per confrontarli con quelli su 100 della nuova edizione.

Il dato più significativo è quello relativo agli archivi separati. La quota rilevata è aumentata di 18 punti percentuali, arrivando a sfiorare un’organizzazione su tre. È un segnale particolarmente importante perché un sistema di IA può disporre di modelli avanzati, ma ottenere risultati poco utili quando lavora con informazioni incomplete, incoerenti oppure difficili da raggiungere.

I dati a silos diventano un ostacolo per le aziende

Per comprendere il problema basta immaginare un’azienda che utilizza l’intelligenza artificiale per analizzare gli ordini dei clienti e prevedere le necessità del magazzino. Il reparto commerciale dispone di un archivio aggiornato delle vendite, la logistica gestisce separatamente le giacenze e l’amministrazione conserva in un altro sistema le informazioni sui pagamenti.

Se questi archivi non comunicano correttamente, l’IA potrebbe suggerire nuovi acquisti senza conoscere le merci già disponibili oppure formulare previsioni basate su ordini successivamente annullati. Le risposte possono apparire plausibili anche quando le informazioni utilizzate sono parziali.

Il rapporto del 2026 mostra che soltanto l’8,4% delle organizzazioni italiane intervistate rende obbligatori strumenti di controllo della qualità dei dati in ogni progetto di intelligenza artificiale. Un ulteriore 33,6% continua ad affidare la gestione dei dati ai singoli gruppi di lavoro.

La frammentazione rende più complesso correggere gli errori e verificare i risultati. Se ogni reparto utilizza criteri differenti per aggiornare le informazioni, diventa difficile stabilire quale archivio debba essere considerato attendibile e chi sia responsabile delle correzioni. Il problema cresce quando un progetto viene esteso da un singolo ufficio a tutta l’organizzazione.

Divario tra fiducia nell'intelligenza artificiale e capacità di governarla nelle organizzazioni italiane

Perché le aziende continuano a correggere le risposte dell’IA

Accanto alla qualità dei dati emerge un secondo problema: la difficoltà di comprendere perché un sistema abbia prodotto una determinata risposta. In Italia il 37,7% delle organizzazioni indica proprio l’insufficiente chiarezza delle spiegazioni come motivo principale per modificare o correggere i risultati generati dall’IA.

La mancanza di contesto viene indicata dal 26,4%, le preoccupazioni sulla sicurezza degli output dal 14,2%, gli errori fattuali dal 13,2% e il rischio di risultati distorti o discriminatori dall’8,5%. Queste percentuali descrivono le ragioni principali dichiarate dagli intervistati, non la frequenza con cui tutti i sistemi producono risposte sbagliate.

La distinzione ha conseguenze pratiche. Un sistema che suggerisce di rifiutare una richiesta di rimborso assicurativo può anche aver applicato correttamente le proprie regole. Se però l’operatore non riesce a verificare quali dati siano stati utilizzati, quali condizioni abbiano determinato il risultato e quali informazioni manchino, diventa difficile approvare la decisione con cognizione di causa.

È il problema della spiegabilità dell’intelligenza artificiale. Non occorre necessariamente ricostruire ogni passaggio matematico di un modello complesso, ma servono informazioni sufficienti per verificare l’esito, riconoscere gli errori e individuare le responsabilità. In molti processi aziendali conta anche la possibilità di risalire alla versione del modello e ai dati utilizzati nel momento in cui la decisione è stata formulata.

La governance dell’IA migliora, ma resta sotto la media globale

Il rapporto registra comunque un miglioramento della maturità organizzativa italiana. Il Trustworthiness Index cresce di 7,6 punti rispetto al precedente rilevamento. Progrediscono le procedure di verifica, la gestione dei modelli e le politiche che definiscono come utilizzare l’intelligenza artificiale all’interno delle organizzazioni.

I risultati mostrano però che tutte e cinque le dimensioni considerate dalla ricerca rimangono al di sotto dei rispettivi valori di riferimento globali. Per esempio, l’indice italiano relativo alla qualità e alla gestione dei dati si ferma a 57,1 punti contro 59,5 della media internazionale. Quello dedicato a spiegabilità ed equità raggiunge 57 punti, contro 60,4 a livello globale.

La maggiore attenzione alle regole rappresenta quindi un progresso, ma la loro applicazione quotidiana richiede ancora lavoro. Un’azienda può aver adottato una politica per l’utilizzo dell’IA e continuare ad avere problemi se non verifica periodicamente i risultati, non aggiorna i dati o non registra gli interventi degli operatori.

Questo aspetto diventa particolarmente rilevante per i sistemi che prendono decisioni con conseguenze sui clienti, sui lavoratori o sull’erogazione di servizi. In questi casi occorre stabilire chi autorizza l’impiego dell’IA, quali controlli vengono effettuati e quando deve intervenire una persona.

Gli investimenti crescono più rapidamente dei risultati

Una maggiore diffusione dell’intelligenza artificiale non garantisce automaticamente un ritorno economico elevato. Lo dimostra l’Impact Index italiano, l’indicatore sintetico che valuta i risultati organizzativi e di business delle iniziative di IA: tra il 2025 e il 2026 passa soltanto da 50,2 a 51,7 punti.

La ricerca rileva inoltre che appena il 18,7% delle organizzazioni italiane intervistate dichiara di ottenere un ritorno sull’investimento elevato. Il dato si riferisce alle risposte raccolte e non equivale a una verifica indipendente dei risultati economici delle imprese.

Nel campione internazionale emerge comunque un’associazione significativa tra maturità delle pratiche di controllo e risultati dichiarati. Tra le organizzazioni con gli indici di affidabilità più elevati, il 62% riferisce un ritorno economico alto o molto alto. Tra quelle con gli indici più bassi la quota scende al 4%: una differenza di circa 15 volte.

Il dato non dimostra che l’adozione di determinate procedure produca automaticamente un maggiore profitto. Le organizzazioni più mature potrebbero disporre anche di risorse, competenze e processi migliori. La correlazione suggerisce però che la qualità della gestione dell’IA meriti attenzione quanto la scelta dei modelli e degli strumenti da acquistare.

Il problema è anche misurare correttamente i risultati. Ridurre il tempo necessario per preparare una relazione può essere utile, ma il beneficio diminuisce se gli operatori devono dedicare molto tempo a verificare informazioni errate o a ricostruire documenti utilizzati dal sistema. Un progetto dovrebbe quindi valutare insieme produttività, costi di controllo, frequenza delle correzioni e qualità del risultato finale.

Con l’IA agentica aumenta l’importanza dei controlli

Il tema assume un peso ulteriore con la diffusione dell’IA agentica, cioè dei sistemi capaci di eseguire sequenze di operazioni e utilizzare altri strumenti software con un certo livello di autonomia. Una cosa è ricevere una risposta che un dipendente può leggere e correggere; un’altra è permettere a un sistema di inviare comunicazioni, aggiornare un archivio o avviare un ordine.

Nel campione globale SAS/IDC, la fiducia dichiarata nell’IA generativa raggiunge il 76%, mentre scende al 66% per quella agentica. Inoltre, il 97,2% degli intervistati afferma di modificare o annullare almeno occasionalmente raccomandazioni prodotte dall’intelligenza artificiale.

Per un’azienda questo significa progettare livelli di autonomia differenti a seconda dell’attività. Un sistema può essere autorizzato a classificare documenti o preparare una bozza, mentre per disporre un pagamento, modificare informazioni sensibili o prendere decisioni con effetti rilevanti possono essere necessari ulteriori controlli e approvazioni.

Le verifiche da fare prima di estendere un progetto di IA

La ricerca suggerisce alcune verifiche operative. La prima riguarda la provenienza e l’aggiornamento dei dati: bisogna sapere quali archivi vengono consultati, con quale frequenza sono sincronizzati e chi interviene in presenza di informazioni contraddittorie.

La seconda riguarda la tracciabilità. Quando un sistema produce un risultato rilevante, deve essere possibile ricostruire quali informazioni siano state utilizzate e quali controlli siano stati effettuati. La terza riguarda le responsabilità: occorre definire chi può approvare, correggere o bloccare una decisione automatizzata.

Infine è necessario misurare i benefici su un periodo sufficientemente lungo, considerando anche il lavoro necessario a controllare l’IA. Il risultato di un progetto dipende dalla qualità delle risposte, dalla frequenza degli errori e dalla possibilità di correggerli senza compromettere il normale funzionamento dell’organizzazione.

Il confronto tra 2025 e 2026 restituisce così un quadro articolato. L’Italia sta recuperando terreno nelle pratiche di controllo dell’intelligenza artificiale, ma l’aumento degli archivi separati e i ritorni economici ancora limitati mostrano quanto lavoro resti da fare. La prossima fase sarà misurare la capacità delle organizzazioni di portare questi controlli nei processi quotidiani, soprattutto quando i sistemi di IA cominceranno a operare con maggiore autonomia.

Il tema si collega anche alla maturità complessiva delle imprese italiane. Un recente approfondimento di Macitynet mostra che solo un’azienda su cinque tra quelle intervistate da The Innovation Group ha raggiunto uno stadio avanzato nell’adozione dell’IA, secondo un’indagine distinta da quella SAS/IDC. Per approfondire il rapporto tra automazione e responsabilità individuale è utile anche il nostro articolo sul rischio della timbrocrazia nei controlli umani sull’intelligenza artificiale.


Tutte le notizie dedicate all’Intelligenza Artificiale sono disponibili nella sezione dedicata di Macitynet.

Offerte Apple e Tecnologia

Le offerte dell'ultimo minuto le trovi nel nostro canale Telegram

Offerte Speciali

Offerte Amazon macitynet - macitynet.it

Offerte Amazon 20 novembre: Apple, Belkin, Logitech, DJI, HP, Philips, LEGO, Dyson, TCL, Google

Le migliori offerte Amazon del 20 novembre 2026: dispositivi tech e accessori per la vita di tutti i giorni, selezionati da Macitynet.

Ultimi articoli